Gemma یا Qwen برای فارسی؛ امتیاز ۶۷٫۸۵ برندهٔ قطعی نمی‌سازد
در آزمون فارسی، Gemma 3 از Qwen2.5 جلوتر است، اما انتخاب مدل برای اجرای محلی و محصول به حافظهٔ لازم، تنظیم زمینهٔ بلند و مجوز همان نسخه بستگی دارد.
هوش مصنوعی و خودکارسازی
هوش مصنوعی و خودکارسازی
ثبت‌نام ایران دیجیتال؛ دوره رایگان است، اما مسیر هفت‌مرحله‌ای دارد
ثبت‌نام دوره رایگان ایران دیجیتال از درگاه رسمی و با شماره همراه آغاز می‌شود. این راهنما هفت گام ورود، ادامه درس‌ها و رسیدن به پروژه عملی را همراه با شرایط شرکت توضیح می‌دهد.
هوش مصنوعی و خودکارسازی
GPT-6 در COBOL به ۹۷٫۹٪ رسید؛ آزمون واقعی هنوز سامانهٔ قدیمی شماست
OpenAI در ۱۹ اکتبر ۲۰۲۶ گزارش کرد GPT-6.1 Sol از خانوادهٔ GPT-6 در آزمون مهاجرت COBOL با استدلال بیشتر به ۹۷٫۹٪ رسیده است؛ پذیرش یک سامانهٔ واقعی به آزمون قواعد همان سامانه بستگی دارد.
هوش مصنوعی و خودکارسازی 1
کش ۱۲ساعتهٔ OpenAI آمد؛ نوشتن گران‌تر است و از بار سوم می‌صرفد
OpenAI از ۲۰ اکتبر ۲۰۲۶ کش ۱۲ساعته را به Responses API افزوده است. نوشتن پیشوند گران‌تر است، اما اگر کش کوتاه‌تر میان درخواست‌ها منقضی شود، از سومین درخواست صرفه دارد.
هوش مصنوعی و خودکارسازی
شش ارزیاب METR وارد Anthropic شدند؛ انتشار آزاد، اما با حق حذف
Anthropic در ۱۵ اکتبر ۲۰۲۶ به شش عضو METR دسترسی نزدیک به تیم ارزیابی ریسک داد. METR می‌تواند تحلیلش را بدون وتوی شرکت منتشر کند، اما تشخیص اطلاعات محرمانهٔ قابل‌حذف با Anthropic است.
هوش مصنوعی و خودکارسازی
Dify یا Flowise؛ ۵۱۲ مگابایت RAM می‌تواند انتخاب را عوض کند
Flowise برای نمونه‌سازی روی سرور کم‌حافظه سبک‌تر شروع می‌شود؛ Dify برای چت‌بات RAG تیمی امکانات یکپارچه‌تری دارد. عدد ۵۱۲ مگابایت فقط مصرف بیکارِ یک پیکربندی گزارش‌شده است.
هوش مصنوعی و خودکارسازی
دو حفرهٔ LiteLLM کلیدهای AI را می‌دزدید؛ نسخهٔ 1.83.9 مرز امن است
گزارش ۱۳ اکتبر ۲۰۲۶ دو نقص در دروازهٔ LiteLLM را شرح داد که تصرف مدیریت و افشای کلیدهای ارائه‌دهندگان مدل را ممکن می‌کردند. نسخهٔ 1.83.9 اصلاح هر دو را دارد.
هوش مصنوعی و خودکارسازی
RAG یا Fine-tuning؛ دانش تازه با پاسخ دقیق یکی نیست
برای پرسش‌وپاسخ بر پایهٔ اسناد اختصاصی و متغیر، RAG معمولاً نقطهٔ شروع است؛ برای تغییر پایدار سبک یا رفتار خروجی، Fine-tuning را بسنجید. درستی پاسخ، استنادپذیری و هزینه انتخاب را تعیین می‌کنند.
هوش مصنوعی و خودکارسازی
LangGraph یا CrewAI؛ سرعت ساخت را با کنترل بازیابی اشتباه نگیرید
CrewAI برای شروع همکاری میان عامل‌های نقش‌دار ساده‌تر است و LangGraph مسیر اجرا و وضعیت هر مرحله را صریح‌تر می‌کند. هر دو امکان بازیابی دارند؛ انتخاب به شکل گردش‌کار بستگی دارد.
هوش مصنوعی و خودکارسازی
llm-d 1.0 رسید؛ هزار عامل را پشت یک Endpoint جمع کرد
llm-d 1.0 در ۲۰ اکتبر ۲۰۲۶ عرضه شد و Google Cloud اجرای هزار عامل از یک Endpoint مشترک را نمایش داد. نسخهٔ تازه ادارهٔ ترافیک عامل‌محور و ارتقای سرویس را گسترش می‌دهد.
هوش مصنوعی و خودکارسازی 1
LiteLLM یا Portkey؛ بودجهٔ متن‌باز در برابر حاکمیت میزبانی‌شده
LiteLLM برای تیمی مناسب‌تر است که می‌خواهد بودجه را در پراکسی خود اجرا کند؛ Portkey برای تیمی که مدیریت و مشاهده‌پذیری میزبانی‌شده می‌خواهد. هزینهٔ نگهداری می‌تواند انتخاب را تغییر دهد.
هوش مصنوعی و خودکارسازی
LangSmith یا Phoenix؛ یکپارچگی آماده در برابر استقرار مستقل
برای تیمی که عامل‌هایش را با LangGraph می‌سازد، LangSmith مسیر ساده‌تری برای ردگیری دارد. اگر کنترل محل نگهداری ردها و ابزارگذاری مبتنی بر OpenTelemetry اولویت دارد، Phoenix مناسب‌تر است.
هوش مصنوعی و خودکارسازی
PaddleOCR یا Tesseract برای فارسی؛ خطای نویسه ۹٫۶٪ در برابر ۱۷٫۹٪
در آزمون هشت‌صفحه‌ای فارسی، PaddleOCR خطای نویسهٔ کمتری از Tesseract داشت. برای انتخاب موتور آرشیو، نتیجهٔ جدول، نستعلیق و متن آمیخته از میانگین کلی راهگشاتر است.
هوش مصنوعی و خودکارسازی 1
آموزش AI را خاموش کردید؛ تاریخچه و حافظه هنوز جداگانه می‌مانند
برای جلوگیری از استفاده از چت‌های شخصی در آموزش مدل، تنظیم هر سرویس را جداگانه تغییر دهید. این کار لزوماً تاریخچه را پاک نمی‌کند یا حافظه را خاموش نمی‌سازد؛ مسیر ChatGPT، Gemini و Claude متفاوت است.
هوش مصنوعی و خودکارسازی
multilingual-e5 یا BGE-M3 برای فارسی؛ ۱٫۰۶ امتیاز همهٔ انتخاب نیست
multilingual-e5-large-instruct در PTEB با اختلاف ۱٫۰۶ امتیاز جلوتر است، اما انتخاب آن برای RAG فارسی به طول بخش‌های متن، قالب پرسش و کیفیت بازیابی روی داده‌های خودتان بستگی دارد.
هوش مصنوعی و خودکارسازی